🔍 耿同学打假报告

论文信息

• 标题：A dynamic graph structure optimization diagnosis
• 作者：Zhiyuan Hu, Yangde Lin, Jianrong Li, Juan Lyu
• 期刊：文本中未明确提供期刊名称（通常为会议论文或期刊草稿）
• DOI：文本中未提供
• 发表年份：未明确标明，但参考文献包含2024年文献，推测为2024-2025年左右成稿
• 论文来源：2351.pdf

综合评定：🔴 实锤（确凿的造假/极不严谨证据）

详细发现

发现 1：引用与文献编造检测（连卷号页码都懒得改？）

• 位置：References 部分
• 描述：在文末的参考文献列表中，出现了极其明显的“复制粘贴”或“随机生成”痕迹，多个不同年份、不同期刊的文献共享了完全相同的卷号、期号和页码。
• 证据：
  • Ref 2: IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023).
  • Ref 11: IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
  • Ref 15: IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
  • 请注意，《IEEE Transactions on Parallel and Distributed Systems》是老牌顶级期刊，2023年绝对不可能是“第2卷第5期”（实际上2023年应该是第34卷左右）。同样的，《IEEE Transactions on Industrial Informatics》2023年应该是第19卷。这三篇文献不仅卷号（2）、期号（5）完全一致，连起止页码（99-110）都一模一样！
• 严重程度：🔴 （这是无法用“粗心”来解释的学术不端，属于编造参考文献的实锤）

发现 2：数据造假检测（Ctrl+C 和 Ctrl+V 的艺术）

• 位置：Table 1 (Page 10) 和 Table 2 (Page 10-11)
• 描述：表格中存在大量完全重复的参数行，且输出结果呈现“成对出现”的诡异模式。作者为了凑表格行数，直接复制粘贴了实验数据，甚至懒得引入任何随机种子导致的微小波动。
• 证据：
  • Table 1 异常：参数设置为 Cora, 0.5, 3, 0.01, 250, 0.01, 250 的实验，在表格中原封不动地出现了5次（第1, 7, 11, 15, 17行）。更离谱的是，这5次运行的结果竟然只有两种：要么是 f1=0.8305, acc=0.83759，要么是 f1=0.8540, acc=0.8665。没有任何中间状态或随机波动。
  • Table 2 异常：同样的问题。参数为 CiteSeer, 0.5, 3, 0.01, 250, 0.01, 250 的行（第9, 13, 19行），其结果连小数点后四位都完全一致（0.7270, 0.7605）。
  • 真实的深度学习模型在不同epoch或不同初始化下跑出的指标，不可能在多次“独立”实验中精确到小数点后四位完全相同。这是赤裸裸的复制粘贴凑数。
• 严重程度：🔴 （人为捏造或重复利用数据以伪造工作量的系统性问题）

发现 3：方法学注水与常识性错误

• 位置：Section 4.2 Data preprocessing (Page 9)
• 描述：在本文这样一篇探讨前沿深度学习（图神经网络）的论文中，作者竟然花了几百字和三个公式 (Eq. 2, 3, 4) 来推导和解释 TF-IDF（词频-逆文档频率）的计算方法。
• 证据：TF-IDF 是自然语言处理中最基础的入门级概念（起源于20世纪70年代）。在2026年的计算机类学术论文中，用大量篇幅去解释这种高中信息技术级别的公式，不仅严重注水，更暴露出作者可能是在东拼西凑（甚至使用AI降重生成）论文结构，缺乏对相关领域基本素养的认知。
• 严重程度：🟠 （虽然不算是造假，但属于极度低劣的学术写作质量）

发现 4：摘要与实验数据的前后矛盾

• 位置：Abstract (Page 1) vs Table 1 (Page 10)
• 描述：摘要中声称的指标提升具有误导性，且与实验表格展示的稳定性相矛盾。
• 证据：摘要写道：“the accuracy of Core node classification increased from 76 % to 86.65 %”。但在 Table 1 中，使用相同超参数跑出的结果在 83.7% 到 86.6% 之间剧烈跳动（且如上文所述，这些数据还是复制的）。作者显然是“摘樱桃”(Cherry-picking)，只挑出了表格里最好看的一个最高点（86.65%）写进摘要，而忽略了其他参数下只有 83% 准确率的事实。
• 严重程度：🟠 （选择性报告，夸大研究成果）

发现 5：图片复用检测（受限于文本无法进行像素级分析）

• 位置：全篇图片
• 描述：由于仅提供了文本内容，无法对 Figure 1-4 的原始像素、噪点、拼接痕迹进行“耿同学第一式”和“第三式”的检测。
• 证据：N/A。
• 严重程度：🟡 （文本中未提供足够的图片信息，无法进行像素级分析，但基于前文数据造假的实锤，此论文的图片真实性同样存疑，建议后续获得原版PDF时进行图像法证分析）

耿同学辣评

“这篇论文可以说是把‘复制粘贴’玩到了极致。对内，Table 1 和 Table 2 的实验数据自己疯狂复制自己，连小数点后四位都不带变的，真是把随机数生成器的脸都打肿了；对外，参考文献列表里三篇不同期刊的文章，连卷号‘2(5)’和页码‘99-110’都一模一样，造假连个像样的掩饰都不做，简直是在侮辱审稿人的视力！甚至连 TF-IDF 这种老掉牙的公式都要拿出来水半页纸，这到底是图结构优化，还是Ctrl+C结构优化啊？”

建议后续行动

• 联系作者要求提供原始数据（尤其是检查为什么多次实验连小数点后四位都一样）
• 在 PubPeer 上提出质疑
• 向期刊/会议编辑部举报（重点关注伪造的参考文献 [2], [11], [15]）
• 建议核查作者所在单位（天津科技大学人工智能学院）该课题组的其他产出，可能存在批量造假行为

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。